典型线面目标合成孔径雷达参数化成像

在复杂场景(特别是城区场景)合成孔径雷达(SAR)遥感成像中,存在大量线、面目标,如城区中的道路和建筑物边缘等目标,这些线面目标微波散射信号方向性强。传统SAR从单一视角获取场景的散射信息,且传统成像算法均基于点目标模型,使得传统SAR图像中线面目标主要特征表现为一系列的强散射点,而非线散射特征和面散射特征,最终造成SAR图像中目标不连续,SAR图像解译困难。因此,该文通过建立典型线段、三角面元目标的参数化回波模型,对线面目标SAR成像机理进行了深入细致的研究;并基于提出的参数化模型对线面目标进行参数化成像,即首先基于贝叶斯理论和所提的参数化模型对典型的线面目标进行分类判决,随后采用再成像的方式获得有效表征线、面目标散射特征的SAR图像,为线、面目标SAR图像解译提供有效支撑。最后,数值仿真实验成功验证了所提算法的有效性和正确性。      

合成孔径雷达参数化成像技术进展

传统合成孔径雷达(SAR)成像可视为点目标散射模型约束下数据空间到图像空间的映射。然而,真实目标多为延展目标,与传统线性成像处理中的点目标散射模型存在失配,会导致SAR图像表征失真。常见的现象是使延展目标多呈现为孤立强点,阻碍了基于SAR图像的目标辨识等应用。SAR参数化成像技术是为解决上述模型失配问题而诞生的一种非线性成像方法,特点是兼顾点目标和延展目标的散射模型。具体来说,是通过利用不同类别目标的回波或图像的相位与幅度特征对观测角度的敏感性,辨识目标类型,反演目标散射参数,进而根据目标散射的参数化模型,重建目标图像的技术。在对延展目标成像时,可获得比传统线性成像方法更好的图像质量。该文主要介绍了线型延展目标的参数化成像技术,对应真实场景中的孤立强点和连续边缘,深入讨论了基于回波域、图像域的参数化成像技术和试验结果,展望了未来SAR参数化成像技术的发展趋势。      

基于SVD-SRNet的SAR三维成像方法

合成孔径雷达（SAR）三维成像是传统二维SAR成像在雷达精细信息获取与感知领域的重要发展,可分辨重叠于二维SAR图像同一像素中的多个目标。稀疏信号处理是进行SAR三维成像的有效方法,但由于稀疏信号处理的非线性特征,常需迭代运算,效率较低。研究人员已提出利用深度学习技术实现快速解算非线性信号处理问题的思路,在三维成像领域已有初步应用。然而,由于SAR三维实测数据稀缺,三维成像网络的训练只能依赖于仿真数据进行,并且仿真数据与实测数据存在差异大的问题,导致基于深度学习方法的SAR三维成像精度受限。为此,本文提出了一种基于奇异值分解的信号空间归一化超分辨网络（SVD Signal-Space Normalization Super-Resolution Net,SVD-SRNet）,能够解决由于仿真数据与实测数据存在差异大导致的三维成像网络化方法鲁棒性低的问题,与传统方法相比所提方法具有更优异的成像精度。计算机仿真试验和无人机SAR实测数据试验证明了本文所提方法的有效性。      

多基地SAR线目标参数反演与图像重建

传统单基地SAR成像系统基于点目标模型且观测视角单一,在对复杂场景成像时存在线目标边缘不连续,特征丢失等现象。针对这一问题,本文提出了一种多基地SAR构型下线目标参数反演与图像重建方法。该方法基于几何模型与散射理论推导了线目标的合成孔径雷达回波的参数化表达式,分析了在不同观测角度下对线目标的SAR成像结果从直线段到两端点反复变化的特点,并从空间谱采样的角度解释了这一现象,在此基础上根据线目标空间谱的特征,提出了一种基于最小二乘估计的多基地构型下线目标参数反演与图像重建方法。仿真实验结果表明,在相同的峰值信噪比条件下,本文提出的多基地SAR线目标参数反演与图像重建方法,相对于单一观测角度的单基地SAR具有更优的反演性能,在SAR图像的峰值信噪比为28dB时,线目标朝向与长度的反演误差在10％以内的概率达到了84％,可以基于反演结果实现图像的重建。      

连续目标双基地调频连续波 SAR 回波建模方法

在 SAR 成像仿真中,常使用离散的点目标集合来代替连续结构的目标进行回波建模。这种方法的一个 重要问题是所生成的目标回波依赖于点目标的采样方式,对同一个目标采用不同的离散采样方式可能产生具有显著差异的成像结果。该方法的另一个缺点是回波模型的精度与离散采样的间隔有关,小的离散间隔会导致巨大的计算量。为了解决上述问题,本文提出了一种新的连续目标回波建模方法,避免了离散采样方式和采样间隔的影响,并且大大降低了计算量。将该方法应用于调频连续波双基地合成孔径雷达系统研究,有助于理解其观测几何 与回波特性的关系。